Carga de datos:
Para la carga de datos fue necesario construir y estructurar unas clases básicas, como se muestra en la Figura 15, que concentrarán los parámetros principales del software y que además pudiera contener los métodos que realizarán las operaciones necesarias para los cálculos de consumo posteriores. Esto con la intención de serializarlas y poder fácilmente trasladar los objetos creados a partir de éstas a una estructura XML.
40
Figura 15. Clases principales 1
41
Cada vez que se cargan datos y se complementan con los datos principales del software quedan almacenados para su uso en una estructura XML, como se muestra en la Figura 16
42 Gráfico de demanda
Con los datos de la medición de energía cargados en el sistema, más los datos de la duración del ciclo de inyección, características de la pieza inyectada y un desfase inicial, se desarrolló una interfaz gráfica con la cual se pueda mostrar un gráfico de la demanda de potencia en kW contra el tiempo, como se muestra en la Figura 17
43 Comparación de ciclos por sobre-posición
Teniendo los datos cargados y los parámetros iniciales diligenciados, se desarrolla una funcionalidad en la que los expertos sobreponen ciclos de inyección y de esta manera observan si la medición fue consistente, como se muestra en la Figura 18.
44
7.2.2.2.
Sprint 2
Cálculo de consumo/hora Total:
Partiendo de los datos de demanda en la serie de datos que se está analizando, se realiza el cálculo del consumo de energía entre ciertos rangos de tiempo que son cada una de las fases del ciclo de inyección y poder determinar cuánto es el consumo en cada una de ellas, como se muestra en la Figura 19.
45
Mostrar resultados de consumo promedio y por ciclo:
En las funcionalidades desarrolladas en los sprints anteriores no se tenían en cuenta los datos de las piezas, como el número de cavidades, el peso y el peso adicional inyectado. En esta funcionalidad se calculan los consumos, teniendo en cuenta estos criterios, arrojando datos de consumos específicos bastante relevantes para los expertos, como se muestra en la Figura 20.
Figura 20. Resultados de consumos promedios y por ciclo
46 Cálculo de consumo / hora Parcial:
De una manera similar a la funcionalidad anterior, pero con la diferencia de que se parte de una fuente de datos diferente, se realiza el cálculo del consumo de energía parcial, que por lo general, es el consumo de energía del motor, que se realiza entre ciertos rangos de tiempo o fases del ciclo de inyección, para luego poder determinar cuánto es el consumo en cada una de ellas, como se muestra en la Figura 21.
Figura 21. Cálculo del consumo parcial
7.2.3.
Relaese 1
7.2.3.1.
Sprint 1
Estabilidad por autocorrelación:
La función de autocorrelación se define como la correlación cruzada de la señal consigo misma. En el análisis del consumo energético en la inyección de polímeros ayuda a evaluar mediante la búsqueda de patrones repetitivos, qué tan consistente fue toda la medición.
Aplicando la autocorrelación a las mediciones de consumo energético en diferentes procesos de inyección, se puede observar, como se muestra en la Figura 22 y la Figura 23 que las mediciones fueron consistentes, mientras lo observado en la Figura 24 muestra una medición poco consistente, con un comportamiento descendente en su autocorrelación.
47
Figura 22. Análisis de Autocorrelación 1
Figura 23. Análisis de Autocorrelación 2
Figura 24. Análisis de Autocorrelación 3
48
Figura 25. Módulo de autocorrelación en el sistema
7.2.3.2.
Sprint 2
Análisis del HMM:Este es un modelo estadístico ampliamente aplicado para el reconocimiento de patrones, tales como el reconocimiento del habla o de gestos. En el caso del consumo energético en la inyección de polímeros, podría aplicarse para reconocer todos los posibles comportamientos de las fases de un ciclo de inyección en la curva de demanda, debido a que estos tienen patrones que en principio podrían ser reconocibles. Sin embargo, este modelo no pudo ser utilizado en la herramienta debido a que el comportamiento del consumo energético en cada fase de un ciclo de inyección puede variar considerablemente por múltiples factores, como el tipo de máquina, los parámetros para cada proceso en particular (tiempos, cantidades de material, entre otros), materiales, moldes, regulación de la temperatura del molde y elementos adicionales, como secadores, robots, entre otros.
En la Figura 26, Figura 27 y Figura 28, se observa qué tan diferente puede ser el comportamiento del consumo de energía en el ciclo de inyección, teniendo en cuenta la máquina, el material, el peso y espesor promedio de la piezas.
49
Figura 26. Comportamiento del consumo en máquina: Arburg-100Toneladas, Material: Polipropileno, Peso de la pieza: 22.3 g, Espesor: 3.8mm
Figura 27. Comportamiento del consumo en máquina: LienYu-850Toneladas, Material: Poliestireno Cristal, Peso de la pieza: 1405 g, Espesor: 2.5mm
Figura 28. Comportamiento del consumo en máquina: KrausMaffei-700Toneladas, Material: Poliestireno Cristal, Peso de la pieza: 732 g (2 cavidades), Espesor: 2.5mm
50
7.2.4.
Release 2
7.2.4.1.
Sprint 1
Ineficiencia por correlación:La correlación es la medida que permite cuantificar qué tan similares son las diferentes señales. Para este contexto se encontró que con la ayuda de la correlación se puede obtener un indicador de diferencias de energía consumida o contribución a la ineficiencia.
Al realizar la medición de consumo energético en la inyección, inicialmente se efectúa la selección del primer ciclo significativo, este ciclo se desplaza durante toda la medición calculando su correlación. Cuando se ubican los valores más altos se puede establecer que comienza otro ciclo similar. La diferencia entre el final del ciclo evaluado con el inicio del siguiente suponen un espacio de tiempo donde la máquina probablemente estuvo consumiendo energía sin estar produciendo, lo cual podría expresarse como ineficiencia.
Esta funcionalidad fue adicionada al sistema, como se muestra en la Figura 29.
51
7.2.4.2.
Sprint 2
Curva promedio y desviación estándar:
La curva promedio sirve para mejorar el análisis de la consistencia de las mediciones entre los ciclos, se compara un ciclo determinado frente al promedio, mediante la correlación para identificar qué tan similares son sus comportamientos y así ayudarles a los expertos con sus conclusiones frente a las mediciones (Figura 30).
52